論文の概要: AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment
- arxiv url: http://arxiv.org/abs/2502.17919v1
- Date: Tue, 25 Feb 2025 07:34:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:22:35.521294
- Title: AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment
- Title（参考訳）: AirCast:多変数データアライメントによる大気汚染予測の改善
- Authors: Vishal Nedungadi, Muhammad Akhtar Munir, Marc Rußwurm, Ron Sarafian, Ioannis N. Athanasiadis, Yinon Rudich, Fahad Shahbaz Khan, Salman Khan,
- Abstract要約: 大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。
本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。
AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
- 参考スコア（独自算出の注目度）: 46.56288727659417
- License:
- Abstract: Air pollution remains a leading global health risk, exacerbated by rapid industrialization and urbanization, contributing significantly to morbidity and mortality rates. In this paper, we introduce AirCast, a novel multi-variable air pollution forecasting model, by combining weather and air quality variables. AirCast employs a multi-task head architecture that simultaneously forecasts atmospheric conditions and pollutant concentrations, improving its understanding of how weather patterns affect air quality. Predicting extreme pollution events is challenging due to their rare occurrence in historic data, resulting in a heavy-tailed distribution of pollution levels. To address this, we propose a novel Frequency-weighted Mean Absolute Error (fMAE) loss, adapted from the class-balanced loss for regression tasks. Informed from domain knowledge, we investigate the selection of key variables known to influence pollution levels. Additionally, we align existing weather and chemical datasets across spatial and temporal dimensions. AirCast's integrated approach, combining multi-task learning, frequency weighted loss and domain informed variable selection, enables more accurate pollution forecasts. Our source code and models are made public here (https://github.com/vishalned/AirCast.git)
- Abstract（参考訳）: 大気汚染は、急速な工業化と都市化によって悪化し、死亡率や死亡率に大きく寄与する世界的な健康リスクである。
本稿では,気象と大気質の変数を組み合わせた多変量大気汚染予測モデルであるAirCastを紹介する。
AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用し、天候パターンが大気の質にどのように影響するかを理解する。
極端に汚染される事象を予測することは、歴史的データに稀に発生するため困難であり、結果として汚染レベルが極端に分布する。
そこで本研究では,周波数重み付き平均絶対誤差(fMAE)損失を回帰タスクのクラスバランス損失に適応させる手法を提案する。
ドメイン知識からインフォームドされ,汚染レベルに影響を与えることが知られている重要な変数の選択について検討する。
さらに,既存の気象・化学データセットを空間的・時間的次元に整列する。
マルチタスク学習、周波数重み付き損失、ドメイン情報変数選択を組み合わせたAirCastの統合アプローチにより、より正確な汚染予測が可能になる。
私たちのソースコードとモデルはここで公開されています(https://github.com/vishalned/AirCast.git)。
関連論文リスト
- Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Data-driven Real-time Short-term Prediction of Air Quality: Comparison
of ES, ARIMA, and LSTM [0.0]
歴史的データに基づく空気質の予測には,データ駆動方式を用いる。
予測精度と時間的複雑さを考慮して, 短時間の大気汚染予測ESは, ARIMAやLSTMよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-16T09:37:08Z) - Deciphering Environmental Air Pollution with Large Scale City Data [0.0]
交通や発電所からの排出、家庭からの排出、自然発生など、様々な要因が大気汚染の上昇の背後にある主要な原因要因または影響要因であることが知られている。
本稿では,これらのエージェント間の関係を長期にわたって探索するための大規模都市情報データセットを提案する。
また,多種多様なモデルと方法論を用いて汚染物質レベルを推定または予測する問題に対するベンチマークのセットを提供する。
論文 参考訳（メタデータ） (2021-09-09T22:00:51Z) - Estimation of Air Pollution with Remote Sensing Data: Revealing
Greenhouse Gas Emissions from Space [1.9659095632676094]
地上レベルの大気汚染の既存のモデルは、しばしば局所的に制限され、時間的に静的な土地利用データセットに依存している。
本研究は,世界規模で利用でき,頻繁に更新されるリモートセンシングデータにのみ依存する環境大気汚染の予測のための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-08-31T14:58:04Z) - HighAir: A Hierarchical Graph Neural Network-Based Air Quality
Forecasting Method [8.86417830514213]
HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。
都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。
ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
論文 参考訳（メタデータ） (2021-01-12T02:31:14Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳（メタデータ） (2020-11-23T20:13:37Z) - Conditional Generative Adversarial Networks to Model Urban Outdoor Air
Pollution [0.8122270502556374]
本稿では, 所定の分類に従って, 合成二酸化窒素の日時系列を生成できるモデルを訓練することを提案する。
提案手法は, 計算時間削減を必要としながら, 高精度で多彩な毎日の汚染時系列を生成することができる。
論文 参考訳（メタデータ） (2020-10-05T18:01:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。